%0 Journal Article %1 Araujo2002 %A Araujo, Aluzio F. R. %A de A. Barreto, Guilherme %D 2002 %J Applied Intelligence %K context hebbian learning, networks, neural robotics, temporal tracking, trajectory unsupervised %P 101-119 %T A Self-organizing context-based approach to the tracking of Multiple Robot trajectories %V 17

@article{Araujo2002, added-at = {2009-06-26T15:25:19.000+0200}, author = {Araujo, Aluzio F. R. and {de A. Barreto}, Guilherme}, biburl = {https://www.bibsonomy.org/bibtex/2de16cc6a898f3972321350047f6f0f4a/butz}, comment = {Es wird ein NN vorgestellt, das Trajektorien lernen kann. Es wird eine folge von Anfangszust{\"a}nden vorgegeben. Ein Winner-Takes-All-Mechanismus ordnet dann einem Zustand ein Neuron (Unit) zu, die noch keinem anderen Zustand zugeordnet ist. Ein Hebb-NN lernt schliesslich den Uebergang von einem Zustand zum naechsten. Bei Retrieval wird dann wieder der Winner-Zustand als naechster Zustand benutzt. Spezielle Zustandsneuronen ermoeglichen es, dass mehrere Trajektorien, die die selben Zustaende enthalten gelernt werden koennen. Ein STM (Kurzzeitspeicher) ermoeglicht, dass eine Trajektorie den selben Zustand oefter beinhalten kann. Redundanz tritt nur in der Form aus. dass einem Zustand mehrere Neuronen zugeordnet werden koennen. Probleme: Wie gelangt man von einem Zustand zum naechsten? Koennen Kreisbewegungen, die nicht das Vielfache der STM-Laenge sind effizient gelernt werden? Wie geht das System mit ganz neuen Zustaenden um.}, description = {diverse cognitive systems bib}, interhash = {c8df421a4d6fa6dd18aa5d93477ac6c3}, intrahash = {de16cc6a898f3972321350047f6f0f4a}, journal = {Applied Intelligence}, keywords = {context hebbian learning, networks, neural robotics, temporal tracking, trajectory unsupervised}, owner = {martin}, pages = {101-119}, timestamp = {2009-06-26T15:25:19.000+0200}, title = {A Self-organizing context-based approach to the tracking of Multiple Robot trajectories}, volume = 17, year = 2002 }